Amaç: Türkçe kaynaklı web sitelerinde kompozisyon, hareket ve algısal ölçümlerin ortak dağılımında, tasarım arketipi diyebileceğimiz ayrık ve kararlı gruplar bulunup bulunmadığını denetimsiz öğrenmeyle sınamak. Yöntem: 1st.com.tr analiz motorunun v3 sürümüyle 10 Eylül-5 Ekim 2026 arasında ölçülen 13.092 siteden, canlı olan, davranış yakalaması engellenmemiş ve 11 özellikte tam verisi bulunan 9.703 site analiz edildi. Özellikler logaritmik dönüşüm, winsorize ve z-skoruyla hazırlandı. Bölümleme k-ortalamalarla yapıldı; geçerlilik bootstrap kararlılığı, Gap istatistiği, silhouette, Hopkins istatistiği, Gauss karışım modeli (BIC), Ward bağlantısı, rastgele ve zamansal yarı-bölme yinelemesi ile Gauss ve permütasyon boş modelleriyle değerlendirildi. Küme sayısı seçim kuralı sonuçlardan önce sabitlendi. Kümelemeye girmeyen değişkenlerle dış geçerlilik, etki büyüklüğü, bootstrap standart hatasına dayalı %95 aralıklar ve Holm düzeltmesiyle sınandı. Bulgular: Kural K = 8 seçti ve bölümleme rastgele yarı-bölmede yinelendi (ARI = 0,84); ancak ayrım zayıftı (silhouette = 0,10; Hopkins = 0,69; Gap kuralı K = 1) ve yöntemler arası uyum düşüktü (k-ortalamalar ile Gauss karışımı ARI = 0,10; Ward ARI = 0,31). Sekiz kümenin altısında yalnızca tek özellik uç değerdeydi (ortalama baskın |z| = 1,75; ikinci en baskın 0,65); en büyük küme (%22,1) hiçbir özelliğinde uçta değildi. Kümelerin dış değişkenlerle ilişkisi çoğunlukla küçüktü (örneğin CrUX LCP için η² = 0,014). En güçlü ilişkiler, prefers-reduced-motion desteği (V = 0,39) ve düşük boşluk oranlı kümenin e-ticaretle ilişkisiydi (e-ticaret payı %16,1, genel pay %5,1). Sonuç: Türkçe web'de tasarım ölçümleri ayrık arketiplere değil, ortak bir varsayılan profile ve ondan tek boyutlu sapmalara işaret eder; k-ortalamalar kümeleri tür olarak değil, sapma örüntüsü olarak okunmalıdır.
Kaynaklar
1st.com.tr Araştırma Birimi. (2026). Türkçe Web'in Ölçülebilir Profili: 13.775 Sitelik Çok-Boyutlu Bir Saha Taraması. 1st.com.tr Akademi, TR-WEB Çalışma Kâğıtları, 1.
Banerjee, A., & Dave, R. N. (2004). Validating clusters using the Hopkins statistic. 2004 IEEE International Conference on Fuzzy Systems, 1, 149-153.
Bergsma, W. (2013). A bias-correction for Cramér's V and Tschuprow's T. Journal of the Korean Statistical Society, 42(3), 323-328.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Fraley, C., & Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association, 97(458), 611-631.
Hasler, D., & Süsstrunk, S. (2003). Measuring colourfulness in natural images. Proceedings of SPIE 5007, Human Vision and Electronic Imaging VIII, 87-95.
Hennig, C. (2007). Cluster-wise assessment of cluster stability. Computational Statistics & Data Analysis, 52(1), 258-271.
Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65-70.
Hubert, L., & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1), 193-218.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666.
Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.
Lindgaard, G., Fernandes, G., Dudek, C., & Brown, J. (2006). Attention web designers: You have 50 milliseconds to make a good first impression! Behaviour & Information Technology, 25(2), 115-126.
Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129-137.
Miniukovich, A., & De Angeli, A. (2015). Computation of interface aesthetics. Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems (CHI '15), 1163-1172.
Moon, P., & Spencer, D. E. (1944). Geometric formulation of classical color harmony. Journal of the Optical Society of America, 34(1), 46-59.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Reinecke, K., & Gajos, K. Z. (2014). Quantifying visual preferences around the world. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '14), 11-20.
Reinecke, K., Yeh, T., Miratrix, L., Mardiko, R., Zhao, Y., Liu, J., & Gajos, K. Z. (2013). Predicting users' first impressions of website aesthetics with a quantification of perceived visual complexity and colorfulness. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '13), 2049-2058.
Rosenholtz, R., Li, Y., & Nakano, L. (2007). Measuring visual clutter. Journal of Vision, 7(2):17, 1-22.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65.
Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464.
Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27(3), 379-423.
Steinley, D. (2006). K-means clustering: A half-century synthesis. British Journal of Mathematical and Statistical Psychology, 59(1), 1-34.
Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B, 63(2), 411-423.
Tractinsky, N., Katz, A. S., & Ikar, D. (2000). What is beautiful is usable. Interacting with Computers, 13(2), 127-145.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129-133.
Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236-244.
Google. Chrome UX Report (CrUX): origin-level field data.